Dieser Artikel zeigt, wie der Modellkollaps in Gaussian Process Latent Variable Models (GPLVMs) durch die Optimierung der Projektionsvarianz und die Verwendung flexibler Kernelfunktionen effizient verhindert werden kann.
Die Arbeit präsentiert einen neuartigen Ansatz zur Bayesianischen Inferenz für Entscheidungsbäume, der als DCC-Tree bezeichnet wird. Der Ansatz teilt den Parameterraum in disjunkte Teilräume auf, die dann separat untersucht und anschließend kombiniert werden, um eine Schätzung der Gesamtverteilung zu erhalten.
Durch die Verwendung eines Diffusionsmodells, das von einer Richtlinie geleitet wird, kann PolyGRAD vollständige on-policy Trajektorien in einem einzigen Durchgang erzeugen, ohne auf autoregressive Vorhersagen zurückgreifen zu müssen.